盘点数据科学最流行的29个Python库

大数据DT

共 6259字,需浏览 13分钟

 ·

2021-05-29 09:11


导读:我们都着眼于如何使用现有的库来避免重复工作,从而使程序开发工作事半功倍。通常,开发大量原始代码是一个费时费力的工作,为了避免这种情况,我们会尽可能多地使用库中已有的类来创建对象,通常仅需要一行代码。因此,库能够帮助我们使用适量的代码执行重要的任务。


本文介绍数据科学中会经常使用多种Python标准库、数据科学库和第三方库。

作者:保罗·戴特尔(Paul Deitel)、哈维·戴特尔(Harvey Deitel)
来源:大数据DT(ID:hzdashuju)


01 Python标准库

  • 16 / 29

Python标准库提供了丰富的功能,包括文本/二进制数据处理、数学运算、函数式编程、文件/目录访问、数据持久化、数据压缩/归档、加密、操作系统服务、并发编程、进程间通信、网络协议、JSON / XML /其他Internet数据格式、多媒体、国际化、GUI、调试、分析等。下面列出了一部分Python标准库模块。

  1. collections:建立在列表、元组、字典和集合基础上的加强版数据结构。
  2. csv:处理用逗号分隔值的文件。
  3. datetime, time:日期和时间操作。
  4. decimal:定点或浮点运算,包括货币计算。
  5. doctest:通过验证测试或嵌入在docstring中的预期结果进行简单的单元测试。
  6. json:处理用于Web服务和NoSQL文档数据库的JSON(JavaScript Object Notation)数据。
  7. math:常见的数学常量和运算。
  8. os:与操作系统进行交互。
  9. queue:一种先进先出的数据结构。
  10. random:伪随机数操作。
  11. re:用于模式匹配的正则表达式。
  12. sqlite3:SQLite关系数据库访问。
  13. statistics:数理统计函数,如均值、中值、众数和方差等。
  14. string:字符串操作。
  15. sys:—命令行参数处理,如标准输入流、输出流和错误流。
  16. timeit:性能分析。

Python拥有一个庞大且仍在快速增长的开源社区,社区中的开发者来自许多不同的领域。该社区中有大量的开源库是Python受欢迎的最重要的原因之一。

许多任务只需要几行Python代码就可以完成,这会令人感到很神奇。下面列出了一些流行的数据科学库。



02 科学计算与统计

  • 3 / 29

  1. NumPy(Numerical Python):Python没有内置的数组数据结构。它提供的列表类型虽然使用起来更方便,但是处理速度较慢。NumPy提供了高性能的ndarray数据结构来表示列表和矩阵,同时还提供了处理这些数据结构的操作。详细教程请戳👉高能!8段代码演示Numpy数据运算的神操作
  2. SciPy(Scientific Python):SciPy基于NumPy开发,增加了用于科学处理的程序,例如积分、微分方程、额外的矩阵处理等。scipy.org负责管理SciPy和NumPy。详细教程请戳👉3段极简代码带你入门Python科学计算库SciPy
  3. StatsModels:为统计模型评估、统计测试和统计数据研究提供支持。


03 数据处理与分析

  • 1 / 29

  1. pandas:一个非常流行的数据处理库。pandas充分利用了NumPy的ndarray类型,它的两个关键数据结构是Series(一维)和DataFrame(二维)。详细教程请戳👉Pandas最详细教程来了!



04 可视化

  • 2 / 29

  1. Matplotlib:可高度定制的可视化和绘图库。Matplotlib可以绘制正规图、散点图、柱状图、等高线图、饼图、矢量场图、网格图、极坐标图、3D图以及添加文字说明等。详细教程请戳👉Python实操:手把手教你用Matplotlib把数据画出来
  2. Seaborn:基于Matplotlib构建的更高级别的可视化库。与Matplotlib相比,Seaborn改进了外观,增加了可视化的方法,并且可以使用更少的代码创建可视化。详细教程请戳👉数据可视化干货:使用pandas和seaborn制作炫酷图表(附代码)



05 机器学习、深度学习和强化学习

  • 4 / 29

  1. scikit-learn:一个顶级的机器学习库。机器学习是AI的一个子集,深度学习则是机器学习的一个子集,专注于神经网络。
  2. Keras:最易于使用的深度学习库之一。Keras运行在TensorFlow(谷歌)、CNTK(微软的深度学习认知工具包)或Theano(蒙特利尔大学)之上。
  3. TensorFlow:由谷歌开发,是使用最广泛的深度学习库。TensorFlow与GPU(图形处理单元)或谷歌的定制TPU(Tensor处理单元)配合使用可以获得最佳的性能。TensorFlow在人工智能和大数据分析中有非常重要的地位,因为人工智能和大数据对数据处理的需求非常巨大。本书使用TensorFlow内置的Keras版本。详细教程请戳👉TensorFlow是什么?怎么用?终于有人讲明白了
  4. OpenAI Gym:用于开发、测试和比较强化学习算法的库和开发环境。



06 自然语言处理

  • 3 / 29

  1. NLTK(Natural Language Toolkit):用于完成自然语言处理(NLP)任务。
  2. TextBlob:一个面向对象的NLP文本处理库,基于NLTK和模式NLP库构建,简化了许多NLP任务。
  3. Gensim:功能与NLTK类似。通常用于为文档合集构建索引,然后确定另一个文档与索引中每个文档的相似程度。

关于作者:保罗·戴特尔,Deitel&Associates公司首席执行官兼首席技术官,毕业于麻省理工学院,拥有38年的计算经验。保罗是世界上最有经验的编程语言培训师之一,自1992年以来一直针对软件开发人员教授专业课程。他服务过的国际客户包括思科、IBM、西门子、Oracle、戴尔、富达、美国国家航空航天局肯尼迪航天中心等。

本文摘编自Python程序设计:人工智能案例实践》,经出版方授权发布。

延伸阅读Python程序设计:人工智能案例实践
点击上图了解及购买
转载请联系微信:DoctorData

推荐语:极简入门Python和AI,读这一本就够了!538个实例帮你掌握交互式IPython解释器和JupyterNotebook并应用Python实践人工智能项目。



划重点👇


干货直达👇


更多精彩👇

在公众号对话框输入以下关键词
查看更多优质内容!

PPT | 读书 | 书单 | 硬核 | 干货 | 讲明白 | 神操作
大数据 | 云计算 | 数据库 | Python | 爬虫 | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 1024 | 数学 | 算法 数字孪生

据统计,99%的大咖都关注了这个公众号
👇
浏览 5
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报